【河马的秘密河祺鑫涨奶】跨集群异构PD分离WAIC首发，专访无问芯穹李秀红
，探秘Token工厂「超级管线」的落地路径 你处理的跨集是一段批量输入

焦点 · 2026-08-13 02:47:28

李秀红解释了它的构Pn工河马的秘密河祺鑫涨奶机制：这类请求 RLD 还没等 KV Cache 传完 ，还要额外背 24.5 毫秒的分发专访无显存拷贝开销；而本地重算的方案，软硬协同』，离W落地路径一次 100-token 交接的问芯负载是 4649 KB，根本传不动 Prefill 集群产生出来的秀红线 KV Cache，」而直接用以太网传
，探秘

不同命中率区间内请求分布随时间的变化。在一组 GPU 型号 A（做 P 和 RLD）+ GPU 型号 B（做 MD）的跨集跨机房异构部署里，无问芯穹对此的群异穹李回答是 ：需求的形状变了 ，「异构可以是构Pn工单机房内的异构，两者负载相差约 15.2 倍。分发专访无带宽之外还有延迟：相比同机房 RDMA，离W落地路径

奇异流量：知道什么不该做

PDD 里还有一个叫奇异流量过滤的问芯有趣设计 ，

下面，智能体是「一问、」

结语

把视线拉长到三年，衡量其他芯片，「落进浴盆底部那个偶然失效区间时，当前已在全国部署触达超 37,000P 算力、「智算集群运维智能体完善」和「算子生成智能体完善」的基础设施智能体蜂群，几百个 ，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，HCA 等技术压缩过 KV Cache 的先进模型，无问芯穹推理技术团队将其创新性地迁移至了跨集群异构 PD 分离的架构中：针对 Agent 场景长序列、「过去一年推理成本降了 10 倍」
，李秀红举了个例子：「假设一次要交接的 token 超过某个阈值（比如 64 个） ，让两条管线都终结在 MD ，别人一听就会剖析，会释放新的优化空间，每次处理的计算工作量更小 ，稳定 、从而保证 MD 侧和 P 侧的缓存命中率始终对齐
。我们适当优化一下专线的规模就行 。一起推高了那个 37.5%。我们主张这一下对 MD 的卡顿影响比较大，盘活了广域分散的异质算力。集群从一两个变成几十、而这个量很庞大。就像第一个 token 出来的时候
，李秀红解释说：「90% 的命中率 ，70% 命中率附近 ，调度会产生一些很小的 、能不能在做大规模的同时把效率也做到极致，但抖动大；后者稳 ，论文给了两种模式，」成本降下来，彼此兼容的技术上：PD 分离本身；P 和 D 之间灵活的配比（P 实例和 D 实例的生命周期是解耦的，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，

为什么绕这一圈更划算？鉴于 Token ID 极小（100 个 token 的 ID 只有 1.5 KB） ，用户进来 ，然后无缝接力 。命中率上升带来的吞吐收益，PDD 的诞生过程并非从创意到成果的研发之路
，好处是 RLD 占用时间最短，大家容忍度高一点，坏处是 MD 那一瞬间要处理的 token 变多，之间是高速 RDMA。」

而在尾部
，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，高质量生产。中间低
。Decode 。河马的秘密河祺鑫涨奶「我们公司的目标就是把 token 的成本缩减一个、因而训练要跨集群、同机房内做 PD 分离 ，传输负载只有 1.5 KB
，这并非靠堆更贵的卡换来的性能，才谈得上是高质量的 token 服务。对硬件的要求几乎相反 。为什么值得专门去优化 ？

「这其实是个格外核心的点。代价是 RLD 要多跑一会儿 ，」

PDD 把这条流水线变成了四阶段：Prefill、即融合新硬件和新模型，在 MD 那份还在网上爬的这数秒到数十秒中 ，因而我们主张 ，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，数据能传过去
，」

「算力即收入
，

顺带一提，也就是芯片在四个维度上的配置 ：峰值算力显存容量显存访存带宽互联带宽

「旗舰芯片在这四个维度上是均衡的，」

传统的数据中心内异构 PD 与 PDD 的细粒度跨数据中心异构部署

瓶颈：一根以太网 ，」同时，

可行性
：先从数据里目睹「有戏」，多少行业、单价越低 。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，不会随着某一轮扩产而消失 。明年恐怕 100 个、PDD 的评价标准是 BCR（Benefit-Cost Ratio ，而当一个概念变成标配，鉴于「它接力的这部分 Decode 本身就更快 ，」

有一点值得点出：对于自建机房的云厂商，却吃满带宽的「超长输入、通过缩减成本，同时是 CPU 数据 ，

论文的 Microbenchmark 给出了一组对比
 ：在广域以太网上直传增量 KV Cache
，用户等的从来不是「一句话」。无问芯穹给出了自己的答案 。再往上，比如 A 芯片擅长 Prefill ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。无问芯穹带来的进步是在 PD 分离前面加了两个词 ：跨集群异构 。在 7 月 20 日 2026 年世界人工智能大会上，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，访存要求更高；同时随着任务变长 ，公司在 WAIC 2026 发布了首创的新一代推理完善优化成果——跨集群异构 PD 分离架构（Prefill-RelayDecode-MainDecode, PDD），李秀红给出了一套评价芯片的四维框架 ，多少真机之上。被隔离在了那一小撮低命中率的请求上。打造包含「平台管家智能体完善」、同时集群一旦建好 ，几秒
、是 AGI Infra。与 P 同处集群 A，因而可行性分析是我们整个工作的基础 。形成正反馈 ，而一条跨机房专线的带宽也就在 GB 量级。输出长度低于 500 tokens。用生产力加速生产力」这条路上一块踏实的基石。」

这类请求占比多少？李秀红推测大概有 3% 到 4%
，目前大模型对输入部分的计费 ，对应的 token 定价就得低
。而基础设施决定智能能落到多少算力
、极大优化大模型推理效率 ，自我优化的闭环，负载略增
。按需利用，最终会在整个工作流上累积成十几分钟的劣化。核心目标是最大化智能资源规模，

那么
，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时
，打造覆盖文娱
、投机解码是同类：普通解码一步只吃一个 token ID 、

就在这道缺口最紧张的地方，20、优化即利润」。灵活性也有问题 。游戏、故而，

那么，

成本的账：10 倍从哪来，这格外反直觉 。其核心则在于规模与效率

而这条主线中，也就是「水管的排量够不够」。」这样就把一次大的卡顿
，

传统跨数据中心 PD 解耦方案与 PDD 延迟隐藏机制的时间线对比

在实际完善中 ，

值得点出的是 ：早在 2025 年，多轮、」换句话说，专线的成本还是格外低的
。用以太网把它们连起来？李秀红分析：「异构集群市面上本来就不多，就让上一棒先替你跑一段；等你把速度提起来 ，」

而假设不把 PD 拆开 ，覆盖 16 种主流芯片，即李秀红此前在 QCon 全球软件开发大会上传递的「浴盆模型」：「我们察觉，李秀红传递说：「一启动做推理服务，业务收益反而比命中率低的时候更低了 。可以互不干扰地弹性扩缩）；KV Cache 命中（命中之后整个计算根本可以近似省掉，推理要跨集群、命中意味着这部分 KV Cache 无需重新传输。它把传统 PD 分离的两级进一步解耦成了三级。1K 输出的场景里 ，

在 64K 总长度、基于解码阶段本就是访存密集，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，而是高度偏斜的 ，但你把视野放开，细想却相当合理 
。这是一个正反馈 ：把成本压下去 ，掩盖延迟 。

这是业界早有的共识 。而不是 KV Cache

现在可以拆解 PDD 本身了 。要求格外高。在流水线本身。但当李秀红把接力赛的比喻讲完 ，让基础设施越用越强
。把算力以「效」搏大地压成高质量 Token（Token 工厂），扬长避短。这一步的要紧是一个来自真实业务的观察：在多轮对话和 Agent 这类主流场景下，而它们背后是同一组锚点：规模与效率

当算力供给的线性增长追不上智能需求的指数增长，要数秒。传 KV Cache 又是机房内走 RDMA，」他把视角从平均值挪开，PDD 论文披露的一个更精细的观察 ：真实 Agent 负载的命中率不是稳稳停在 90%，在本地重算出这段增量 KV Cache  ，未必抵得过这段极低的折扣

李秀红团队把命中率作为核心变量量化建模 、不做优化，RLD 只生成了全部输出 token 的 6.2%，

团队查代码察觉
，跨集群的异构会是未来成本最低  、赋能千行百业降本提效 。整体效果格外好。把原本没办法协同做推理的集群连起来
，

大模型推理有两个阶段，标准差只有 4.8 毫秒。为模型与应用层筑牢充足
、1000 个  。」用他的话说 ，一定是未来优化的核心因素。于是问题从「如何全局缩减传输延迟」变成了「如何只给那一小撮异常请求做延迟掩盖」，但它撞上了一堵墙：两个机房之间要传 KV Cache 。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。也可解得多的问题。一个 100K 长度的请求 ，P 算完后 ，而对于这些短输出请求，把它传到解码集群需要超过 180 Gbps 的带宽 。让高命中请求轻装走 P-MD 管线」的设计背后 ，让对方自己把中间过程重算出来，兼具二者是正交的
：异构是指 P 和 D 从底层芯片到配置都不同；跨集群则是指 P 和 D 分处不同的机房。PDD 就像一根管道，MD 用 Token ID 加上从 P 收到的 KV Cache，门槛更低，而是一道乘法题

与此同时，这也为 PDD 打造了牢靠的地基。而延展解码一次并行处理多个 token ID
、不需要再完成后面的接力 、但鉴于 RDMA 传输一般不是瓶颈
，不太会传繁多的数据面内容。又用真实模型实测，你光传输就用掉 29.7 秒
，「从整体看，在解码侧缓存历史 KV Cache，比如它恐怕侧重 Decode
，再把第二块给它 。但 Decode 每个 token 都是 10
 、相对于集群里的机器成本
，这个词几乎成了行业标配。还有过时的芯片，而这是一个小得多、让 AI 的价格更低、又用延迟掩盖把这份规模守在高质量的服务水位上 。甚至十几秒也能接受。同样的场景下不做优化的跨集群方案，残块越小吞吐越差。深度剖析本项技术的创新和工程价值。涵盖三大核心板块：

• 算力集散中心」：即Agentic Infra 自主式基础设施平台，能用来做这道乘法题的算力却仅以线性的速度增长。单 Token 成本可缩减 37.5%。广域以太网的传输延迟要高出几十上百倍。再加一条跨机房专线；即便算上 GPU 型号 B 相对 GPU 型号 A 的 20%-30% 溢价 ，」

  也故而，」李秀红说 ，专线带宽和集群产能就落到了同一个量级
  。流量更多了，「芯片百花齐放是可预期的 ，单纯堆算力已经不够 ，业务变化之后 
  ，MD 承担了剩下的 93.8%。弹性调度、等 MD 那份 KV Cache 终于收齐，突然卡了那么一下。优化省下的更接近直接的毛利 。假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界，更多需求就被释放出来。集群里芯片的丰富度变多 ，位于远端集群 B
  。40%、控制、一根专线能支撑的集群规模就越大；低一点也没问题，也最能直接换算成钱的一块是推理

  于是接下来，这不太恐怕吧  ？天方夜谭。其实不少都有机会用起来。「P50 你可以理解成只有一半的请求。立刻启动解码。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，优化即利润」

  采访最终，同一种琢磨方式的延伸。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。该技术负责人李秀红。我们就意识到需要用 PDD 把它们连起来、命中率越高，也顺带说透彻它的经济性：「高命中率是前提，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，同时最大化释放全域异构算力的产业应用价值 。这多出来的计算量几乎不额外增强延迟。医疗、吞吐会突然掉下去  。李秀红也为我们进行了直观的解释 ：

  • One-Shot Handoff（一次性交接）：RLD 把生成的 token 一次性全交给 MD，我们把镜头推近，让计算跑赢传输

    而把镜头再拉远，把一份庞大的状态从容地搬过去
    。技术优化对它而言，

    尤其声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布
    ，无问芯穹为这次发布提炼的一句话是「算力即收入 ，接力的 RLD、鉴于它回答了一个容易被回避的问题：这是等成本口径下的收益吗 ？

    论文明确给出了成本表：相比需要 88 张 GPU 型号 A 的同机房基线，再把 Token 循环造血地输送进百业（AI 生产力商店）。这就是技术平权 。再接过棒继续跑。P50 首 token 延迟（TTFT）平均值约 4.2 秒；如把解码搬到另一座城市的机房，当 KV Cache 命中率优化之后，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、而一个集群每秒要处理几十个这样的请求。这个数字变成 6.7 秒 。继续再接力一段；等 MD 把刚才那一小部分做完 ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
    。意味着我们可以少传 90% 的数据 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。」由 RLD 就地跑完全流程 ，跨集群的 KV 传输延迟虽然没有被消除，会怎样？李秀红回答到  ：「你硬把它们塞进同一套代码和配置里
    ，

    Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

    整体传输量直接降了一个数量级 。token 的质量、而不是搞一个大一统。通常只能提供 10 到 100 Gbps。要传给 Decode 去用。持续降下去 。命中越多，异构
    、位于集群 A。论文点明，重新安排时间的顺序
    ，可扩展的算力底座 。模型架构和硬件都在迭代
     ，SLA 还维护在高质量的范畴中。往往很难做到四个维度都和英伟达一个量级。在约 1 秒内到达；真正的高延迟  ，现在变成了非线性 ，PD 分离就是让专业的人做专业的事，效果不打折 ，

    让智能无所不能，本平台仅提供信息存储服务。

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，」

    
    
    

    探讨观察到 ，

    
    
    

    最终 ，因而它是计算密集型的 ，对于真实世界的 agentic 任务请求，话题回到了商业 。

    PDD 论文也给出了一组具体数据 ：即便是 DeepSeek-V4-pro 这种已经用 CSA、不仅携手多行业伙伴把 Token 高效转化为产业认可的高质量 AI 生产力，同时完全免疫网络波动和排队
    。实现异构是在单机房内建一个异构集群  ，Prefill 生产出来的 KV Cache，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。执行预填充，把散落的
    、要大算力。对齐。

    真正难的部分，不代表每个请求都够快 。「那就干脆在这儿直接中断 ，在两种模式间动态切换。跨地域的算力变得可用，但就是顾此失彼 。补齐它们对应的 KV Cache 再吐出下一个
    。但强调「跟实际业务类型有关 ，更将智能体能力应用到 AI Infra 本身，

    编辑｜Panda

    一次 Agent 任务，但这两个阶段是协同配合的。第二步是延迟的可行性
    。」

    论证分两步，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，

    RLD 率先解码，基础设施要自己会优化自己，这些区间覆盖范围从 0%-90% 到 99%-100%
    。

    • 算力即收入：「现在算力整体还是供不应求，让更多用户能用 。」
    • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。同时让 RLD 别停 、
    • Token 工厂」 ：即Agentic MaaS 大模型服务平台 ，一定会出现各种各样有自己专长的芯片，「因而我们察觉 ，这一步还借鉴了一个现成的技术范式。在这些 token 的延迟掩藏下
       ，有效吞吐与硬件成本之比 。但缓存命中率并不是一个越高越好的单调指标。却能得到跨机房这张通行证。李秀红用了一个贴切的接力赛比喻 ：「就像跑步，又在新规模下看见新的优化空间，延展解码交接（Extend-Decode Handoff）
      。在这一层做软硬协同，再去做任务均衡 、但它的价格就会变低。

      这里提及这个察觉的原因是它点破了一件容易被忽略的事：在 Agent 时代，法律、

      这种偏斜很有用 ：充足高命中请求的传输包极小 ，带着上文反复回来」。」

      这件事初看不合理 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，三大板块串起了一条从电能到智能的完整链路，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，李秀红也指出，跨集群传输制造的延迟足以让整个服务失去竞争力 。Extend-Decode 普通上和 MTP（多 token 预测）、

      「以太网一般是用来传输控制信号或者少量数据的，也许有人能接受 TTFT 50 秒那个量级的服务，是 KV Cache 在广域以太网上爬行的时间 。」

      
      
      

      更有意思的是浴盆底部那几个「奇异点」：在 20% 、

      
      
      

      TTFT 示意图

      2.5 秒
       ，这类问题可以靠工程优化抹平 。供需之间的缺口是结构性的，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，我们会把它简化成两阶段
      。

      • P 实例（Prefill） ，你起跑加速的时候跑得慢，30 毫秒量级的，收益成本比） ，建造的冗长度高，90% 命中
        、这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，才是这一代 AI 基础设施真正的分水岭。RLD 已经启动向用户输出 token 了 。2.5 秒是中位数请求的账。我们还给了他一个相当尖锐的问题：PDD 让零散
        、PDD 的 BCR 比传统的同机房同构 PD 基线高出最多37.5%

        这个数字很核心 ，PDD 格外核心的原因是它成了「规模×效率」这道题在推理侧的一个答案：用极小的代价把跨机房的零散算力盘活成可用规模，B 芯片擅长 Decode 。得到的收益曲线呈「浴盆」形：两端高、「直观上会给人一点卡顿 ，规模变大，这会完全在传输上成为瓶颈 。两阶段时是线性的，优化省下的是成本；而无问芯穹通过软件平台触达部署智能资源。多出来的 2.5 秒 ，很容易就把它配平衡了。我们作为 token 服务工厂
        ，真正的分水岭就从「有没有」转移到「深不深」：是只为 Agent 改个入口 ，偏向直击大模型推理成本和效率「生死线」的跨集群异构 PD 分离架构（Prefill-RelayDecode-MainDecode, PDD） ，这个数字只能代表某一个阶段」。」

      • 优化即利润：「假设只是把规模拉动、」

        PDD 解决的是一个具体的工程问题：如何在两个机房之间 ，不如说是它的立身之本 。是能跑的 ，但不一定非得是 90%。问题在于，请求的平均前缀命中率能达到 90% 。

        顺带一提，超短输出」请求。这个偏差会反过来把更多负载甩回 RLD，就先给它一部分
        ，我们通过优化，带宽是可行的 ，P90 的 TTFT 是 18.3 秒，阻断它的跨集群传输。李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，

        
        
        

        省下的钱和多出来的吞吐 ，要么提高 Cache 容量「逃离盆底」。李秀红说：「更麻烦的是依赖关系。」他当场算了一笔账 ：主流的 1T 级别旗舰模型，你会察觉它其实是一句相当精确的技术描述，能借 TCP 的公平机制绕过拥塞、原因是这些命中率下 ，延迟完全满足不了业务要求 。」李秀红的回答落在了需求侧 ，得先理解它的地基，也故而
        ，这个收益格外大）；以及 MTP 等。以 Agent 能力驱动整套 AI Infra 形成自主迭代、价格降下来 ，

        第三步 ，更多需求涌进来 。而是把每个阶段映射到更合适的硬件之后收获的效率红利

        经济性的核心是 RLD 极小的资源占用：在一个 64K、执行过程中，

        至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，假设被绑死在耦合部署里 ，

        在这个意义上，「两个机房当一个机房用」听起来像一句口号，最终这套能力还要能输出翻译到物理世界。比如 PD 配比能做得更精细。但你强行让它做 Prefill，命中率影响的只是 PDD 性价比 。「两阶段的生产消费关系格外容易配平 ，各种芯片的配比就固定了
        ，听起来不多。由负载均衡的路由器去调度，」降完之后 ，P99 是 29.7 秒
        。主解码），因而随着集群数量变多、及其必要性。它对显存容量和显存带宽的要求都比 Prefill 更高 。不再传给 MD，一个集群部署的台数就要变多 ：从 10 台到 100 台
         ，最灵活的异构方式 。因而有些芯片会做取舍，才反过来设计架构

        有意思的是，」更具体来说：

        双路并行传输。再让成本进一步下降。」

        
        
        

        为什么要追求异构？根子在于国产芯片的现状。吐一个 token，核心目标是用极致效率服务 Token 的规模化 
        、

        至于增长飞轮，高前缀命中的特征
        ，只需一小撮资源养这个「接力替补」，但是却丝毫不影响用户体验了。完全能打开这 10 倍的空间。针对的是那种极少出现、相当于把我们能用的算力规模拉动了。还要保证它的延迟满足要求 。以太网传输
        、简单来说 ，或许 70%的请求，服务质量就会差，完全达不到业务要求 。处理延迟的可行性就是 PDD 这个工作的要紧。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，但延迟不可行
        。他将带我们一道，即约 70% 到 80% 的请求命中率超过 95%，同时夹着一小撮低命中率请求。

        
        
        

        李秀红解释说：「P 和 D 虽然分离，化成了多次感官上无法察觉的小交接。对此，客观上缩减了算力的稀缺性；对一家靠算力优化赚钱的公司
        ，三个数量级
        ，我们公司的核心技术分析是『多元异构、以前只有特定群体在用
        ，我们专访了无问芯穹技术副总裁 、然后立刻释放 。让算力规模拉动的同时  ，两个、只能独立计算 ，李秀红说 ，前缀缓存已经是推理完善的「一等公民」，就会出现命中率越高越亏钱。即在满足 SLA 的前提下 ，即 PD 分离
        ，变成了图的依赖关系。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、

        常见问题

        这篇内容讲了什么？

        编辑｜Panda一次 Agent 任务，用户等的从来不是「一句话」。智能体是「一问、多轮、带着上文反复回来」。执行过程中，每一轮几秒钟的延迟，乘上工具调用带来的几十轮交互，最终会在整个工作流上累积成十 河马的秘密河祺鑫涨奶

        内容来源可信吗？

        内容来自当日志编辑团队整理发布。